Co-history： learning with noisy labels by co-teaching with history losses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
目的深度神经网络在计算机视觉分类任务上表现出优秀的性能，然而，在标签噪声环境下，深度学习模型面临着严峻的考验。基于协同学习（co-teaching）的学习算法能够有效缓解神经网络对噪声标签数据的学习问题，但仍然存在许多不足之处。为此，提出了一种协同学习中考虑历史信息的标签噪声鲁棒学习方法（Co-history）。方法首先，针对在噪声标签环境下使用交叉熵损失函数（cross entropy，CE）存在的过拟合问题，通过分析样本损失的历史规律，提出了修正损失函数，在模型训练时减弱CE损失带来的过拟合带来的影响。其次，针对co-teaching算法中两个网络存在过早收敛的问题，提出差异损失函数，在训练过程中保持两个网络的差异性。最后，遵循小损失选择策略，通过结合样本历史损失，提出了新的样本选择方法，可以更加精准地选择干净样本。结果在4个模拟噪声数据集F-MNIST（Fashion-mixed National Institute of Standards and Technology）、SVHN（street view house number）、CIFAR-10（Canadian Institute for Advanced Research-10）和CIFAR-100和一个真实数据集Clothing1M上进行对比实验。其中，在F-MNIST、SVHN、CIFAR-10、CIFAR-100，对称噪声（symmetric）40%噪声率下，对比co-teaching算法，本文方法分别提高了3.52%、4.77%、6.16%和6.96%；在真实数据集Clothing1M下，对比co-teaching算法，本文方法的最佳准确率和最后准确率分别提高了0.94%和1.2%。结论本文提出的协同学习下考虑历史损失的带噪声标签鲁棒分类算法，经过大量实验论证，可以有效降低噪声标签带来的影响，提高模型分类准确率。
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle